Recommendation Systems

Fonte: Wikiversidade

Introdução[editar | editar código-fonte]

Considerando que os alunos, na disciplina Sistema de Informação em Engenharia de Produção, da Universidade de Brasília deveriam elaborar um projeto final sobre certo tipo de Sistema de Informação. Dado que o projeto consiste em uma pesquisa teórica e aplicada, com resolução de problema, a respeito do tema em questão. Os estudantes Aldemar, Bárbara, Breno, Lucas e Victor, do grupo G, estão com o tema Recommendation System.

Com o primeiro contato entre os integrantes da equipe e a primeira impressão a respeito do tema, pensou-se na seguinte metodologia de trabalho: duas reuniões semanais, criação de um Trello, pasta compartilhada no Drive, divisão do grupo em uma dupla e um trio, além de contato diário via Whatsapp. Dessa forma, o grupo conseguiria se organizar para as entregas posteriores.

Objetivo Geral: conduzir uma pesquisa teórica e aplicada, com resolução de problema, sobre Recommendation Systems.

Objetivo Específico: foi decidido em grupo que a dupla estava encarregada de elaborar uma pesquisa a respeito do conceito e das aplicações atuais dos Sistema de Recomendação enquanto o trio deveria realizar a pesquisa a respeito do histórico e das tendências futuras do tema. Ao final do prazo estipulado na plataforma Trello para a entrega dessas pesquisas, todos os integrantes do time voltaram-se para a pesquisa sobre estudos de caso envolvendo os Sistemas de Recomendação. Além disso, durante todo o projeto foram realizadas reuniões presenciais com todos os membros, voltadas para a elaboração da estrutura do trabalho, e posteriormente para a confecção do trabalho em si.

Conceito[editar | editar código-fonte]

Recommendation Systems (Sistemas de Recomendação) é uma subárea da aprendizagem de máquina - machine learning - e tem por objetivo sugerir itens e produtos interessantes como livros, investimentos ou viagens a um usuário com base em seu histórico de preferências. Exemplos reais e atuais das indústrias de recomendação são as sugestões de livros na Amazon e de filmes no Netflix.[1]

Os sistemas de recomendação se diferem na análise de dados para o desenvolvimento das noções de afinidade entre os usuários e seus itens de interesse. Para o desenvolvimento dessas noções, as recomendações podem ser realizadas de duas formas: filtragem colaborativa e filtragem de conteúdo. A filtragem colaborativa ocorre ao comparar as preferências de um usuário com um grupo de outros usuários. A filtragem de conteúdo, contudo, ocorre ao procurar itens com características similares aos que o usuário já demonstrou interesse no passado. Assim, essas duas formas para desenvolvimento de recomendações determinam os três tipos de sistemas de recomendação existentes, são eles: filtragem colaborativa, conteúdo e sistema híbrido. Nesse último sistema, processa recomendações tanto a partir das escolhas anteriores dos usuários, quanto a partir da recomendação de outros usuários com preferências semelhantes. Ele une as forças dos outros dois sistemas como demonstrado na imagem abaixo.

Figura 1 - Tipos de Sistemas de Recomendação

Ademais, as preferências do usuário podem ser colhidas implicitamente ou explicitamente. Na forma implícita, informações são obtidas através de opções de compras passadas, histórico de sites visitados, links clicados, cookies do browser ou até mesmo localidade geográfica. Na forma explícita de averiguar preferências, se utiliza feedbacks efetivos como, por exemplo, notas dadas a um determinado item.

Histórico[editar | editar código-fonte]

Problema[editar | editar código-fonte]

Os sistemas de recomendação surgiram a fim de solucionar problemas com a sobrecarga de informações enfrentadas pelos usuários da web. As pessoas, diante de tomada de decisões inconsistentes e de pouca ou nenhuma informação, utilizam recomendações. Essas recomendações podem ser cartas, críticas literárias, artigos de opinião e entre outros. Assim, para maior consistência nas tomadas de decisão e melhor concentração de informações, as recomendações ocorrem de forma massiva dentro dos sistemas, e são utilizadas filtragem de informações, modelagem de usuários, inteligência artificial e entre outras técnicas e ferramentas.[2]

Tapestry[editar | editar código-fonte]

Os sistemas de recomendação não possuem uma origem histórica bem definida, mas o Tapestry é tido como o primeiro sistema de recomendação por muitos autores, o qual surgiu na década de 90.

O Tapestry objetivava reduzir a quantidade de e-mails na caixa de entrada. Para isso, foram criadas listas de e-mail nas quais os usuários se inscreviam para receber daqueles de interesse e, assim, criar filtros pessoais para possibilitar anotações e avaliações das reações dos usuários após a leitura do conteúdo dos e-mails. Dessa forma, tags eram criadas e os documentos eram filtrados. Esse modelo de sistema é categorizado como de filtragem colaborativa, pelo fato de utilizar informações fornecidas diretamente por diversos usuários interessados.[3]

Uma falha desse sistema de recomendação é que, em geral, os “recomendadores” forneciam informações baseadas no seu interesse próprio, diferentemente de outros sistemas de recomendação atuais que fornecem informações baseadas nas escolhas anteriores dos usuários como o Spotify e o Netflix.

Exemplos Clássicos[editar | editar código-fonte]

Outro exemplo clássico é o sistema utilizado pela Amazon. Inicialmente, a Amazon pensou em criar o seu sistema de recomendação baseado no histórico de compras do usuário, comparando os padrões de compra de diferentes usuários. Esses sistemas são baseados em três passos: encontrar os usuários que mais se assimilam com o usuário a ser analisado; computar o conjunto de itens comprados por esses usuários e definir o peso de cada item numa determinada cesta - estereótipo; e, por último, selecionar um item dessa união com o maior peso e que ainda não foi comprado pelo usuário.[4]

A principal diferença do sistema da Amazon para o sistema do Tapestry é que, nesse segundo, o próprio usuário faz a sua filtragem e a compartilha com outro usuário, enquanto, no primeiro sistema, a filtragem é efetuada por um algoritmo. Portanto, os primeiros sistemas de recomendação foram baseados em modelos preditivos e estatísticos de correlação direta, não fazendo uso das práticas de estatísticas e de machine learning.

Outro exemplo é o site Yahoo!. Em 1996, o site foi um dos pioneiros a permitir a personalização em grande escala. O site My Yahoo! permite que o usuário selecione vários blocos, cada um com informações diferentes, em que as informações de cada bloco são atualizadas automaticamente. Esse sistema de recomendação é semelhante ao do Tapestry, porém aplicada em grande escala.[5]

Conferência Internacional[editar | editar código-fonte]

É realizada uma conferência anual sobre Sistemas de Recomendação - RecSys. A primeira ocorreu em 2007, em Minnesota, Estados Unidos da América, e em 2017 será em Como, Itália. As conferências reúnem líderes importantes na área tanto de pesquisa como de mercado para explorar as últimas inovações, discutir os desafios importantes da área e avançar na compreensão de sistemas de recomendação.

Aplicações Atuais[editar | editar código-fonte]

O sistema de recomendação integra o grupo de tecnologias componentes da inteligência artificial. Nos últimos anos, tais sistemas se tornaram extremamente comuns e são aplicados em uma variedade de aplicações. Os dois principais segmentos de empresas que investem em sistemas de recomendação são e-commerces e sites de relacionamento.

Com o advento do consumo em dispositivos móveis e a propagação o e-commerce, sistemas de recomendação tornaram-se um tema extremamente atrativo. Através de algoritmos simples e facilmente integráveis a aplicações web, eles agregam valor ao negócio online, promovendo itens de consumo direcionados a um público alvo. Assim, um sistema de recomendação atrativo ao interesse dos clientes através de recomendações rápidas e precisas trará benefícios para as empresas.[6]

Os aplicativos de sistemas de recomendação mais comuns incluem:

  • Entretenimento - recomendações para filmes, música, séries e sites/aplicativos de relacionamento.
  • Conteúdo - jornais personalizados, recomendação de documentos, recomendações de páginas da Web, aplicativos de e-learning e filtros de e-mail.
  • E-commerce - recomendações para consumidores de produtos para comprar, como livros, câmeras, PCs etc.
  • Serviços - recomendações de serviços de viagem, recomendação de especialistas para consulta, recomendação de casas para alugar ou serviços de correspondência, recomendação de serviços financeiros.

Tendências Futuras[editar | editar código-fonte]

A tendência dos sistemas de recomendação é a melhora do entendimento dos usuários e itens buscando a incorporação de informações de contexto no processo de recomendação. Além disso, a tendência é o desenvolvimento de sistemas que levem em consideração a classificação de diversos critérios, providenciando recomendações mais flexíveis.

Feedback Indireto: recentemente houve um maior enfoque dos sistemas de recomendação em feedbacks indiretos para que não haja dependência da ação direta de um usuário avaliando um item. Porém, a forma como os feedbacks indiretos são obtidos não mostra os feedbacks negativos, apenas os positivos ou os que não receberam avaliação (itens mostrados aos usuários e explicitamente ignorados). Assim, um grande desafio é a compreensão mais profunda das causas que determinam a escolha dos itens, pois à medida que o usuário interage com um aplicativo que envolve sistemas de recomendação, muitas informações indiretas sobre como essa interação é feita são coletadas. Além disso, o feedback indireto está relacionado com informações de contexto, como por exemplo as variações dos períodos do dia, da época do ano e com qual outra pessoa o produto vai ser dividido.

Afetividade: as emoções influenciam os usuários no momento de tomar suas decisões. Assim, pesquisas futuras devem desenvolver tecnologias de detecção para deter dados comportamentais e adaptar as recomendações de acordo com as emoções identificadas. Nenhum método existente obteve êxito ao tentar reconhecer emoções de diferentes pessoas em diversas possíveis situações. O desafio é a criação de um sistema de recomendação capaz de incorporar dados adquiridos dos usuários finais para moldar as recomendações, incluindo as emoções dos usuários, que são de extrema importância para as tomadas de decisões.

Personalização da exibição: é importante não só a personalização do que é recomendado mas também como é feita a recomendação. Para um determinado item, existem diversas opções de como ele pode ser apresentado ao usuário. As recomendações podem se tornar ainda melhores e mais precisas se forem levadas em consideração todos os aspectos de apresentação dos itens como por exemplo qual imagem do produto vai ser apresentada, como o produto vai ser descrito e como o produto se relaciona com os outros itens.[7][8]

Estudos de Caso[editar | editar código-fonte]

Restaurante - Starbucks[editar | editar código-fonte]

Em janeiro deste ano, a Starbucks lançou um novo recurso, ainda em fase teste, que possibilita pedidos por voz pelos seus clientes em um aplicativo. Ademais, eles podem verificar saldos, perguntar sobre produtos sazonais e entre outros recursos. O programa ainda está em fase de teste e deve ser aplicado nos próximos meses. Porém, a Starbucks acredita que os assistentes digitais ajudarão a fornecer experiências mais personalizadas aos clientes mesmo em fase teste. Ao abrir o aplicativo,é mostrada uma lista de favoritos baseado nas últimas localizações em que foram efetuados os pedidos, e ainda fornece informações atualizadas sobre itens do cardápio, preços e pedidos alocadas e baseadas nas informações dos próprios usuários. [9]

O Oracle Hospitality, uma empresa que vende tecnologias de aplicativos, banco de dados, servidores, armazenamento e nuvem, encomendou o estudo “Restaurante 2025”- um relatório da indústria com consumidores e operadores de tecnologias emergentes. A partir dos dados do relatório, foi possível obter respostas sobre inovações, impacto potencial, medos relacionados e taxa de adoção antecipada.[10][11]

No contexto de sistemas de recomendação, a empresa acredita que os sistemas de reconhecimento facial dentro dos restaurantes poderão fazer recomendações “inteligentes” com base no perfil convidado. Clientes que, por exemplo, desejam cardápios de refeições sem glúten ou com baixas calorias, receberão sugestões adequadas aos seus interesses. A projeção é que restaurantes e varejistas implantem sistemas de reconhecimento facial para identificação dos consumidores na entrada. Assim, as empresas poderiam receber os clientes de forma personalizada, enviar as promoções mais adequadas e aumentar o potencial de vendas.

Sistemas de reconhecimento facial e biometria já estão sendo utilizados. Em alguns estabelecimentos nos Estados Unidos, os clientes escolhem em terminais de auto-atendimento se gostariam de salvar seus pedidos por reconhecimento facial ou por número de telefone. Em sua próxima compra, o terminal reconhecerá o cliente e fará a sugestão do último pedido.

Empresa Aérea - American Airlines[editar | editar código-fonte]

Um problema atual nas empresas aéreas é conseguir recomendar de fato experiências coerentes para seus usuários. É o fato dos sistemas fornecerem, muitas vezes, recomendações sem a visão e o motivo daquela recomendação realizada para aquele usuário em si.  As companhias aéreas acreditam que, apesar do excesso de informações da era moderna, ainda assim existe certa escassez em informações relevantes. Para a recomendação ser feita de maneira coerente e personalizada, é necessário ter informações mais precisas, em tempo real e fáceis de entender. Não é suficiente recomendar o assento preferido para tal passageiro, ou a viagem mais curta ou a de preço mais baixo de acordo com as experiências anteriores do usuário. É necessário entender toda a experiência do usuário para então recomendar experiências com a visão e o motivo dessa recomendação ao usuário. 

As empresas de turismo estão crescendo cada vez mais e estão oferecendo pacotes que vão muito além da passagem de avião. Para se proteger dessas empresas, as empresas aéreas, lideradas pela American Airlines, lidam agora com o passageiro em si. Em vez de focar sua venda apenas no assento do avião, o foco agora é renda/passageira e não mais em renda/assento. 

O esforço atual das companhias aéreas é colher o máximo de informações necessárias a respeito de cada usuário, para assim fornecer uma experiência que vá além da passagem de avião. Quando se realiza o ato de comprar a passagem, por exemplo, o planejamento para aquela viagem começou semanas antes. Seja procurando por acomodação na região, seja procurando por opções de turismo. Em face do maior contato com os passageiros, a obrigação dessas companhias não é comercializar apenas passagens, mas oferecer e recomendar uma experiência personalizada em experiências anteriores. Ao mapear todas as ações do usuário a partir do momento que eles estão começando a planejar uma viagem, é identificada as características de cada região aonde eles atuam - quais lugares estão aumentando o seu poder aquisitivo, quais lugares possuem uma fonte de renda x ou y, quais lugares possuem um público que viaja w vezes por ano, quais possuem um público que raramente viaja, etc.[12][13][14][15][16][17][18]

Assim, com o uso de sistemas de recomendação, a experiência de um usuário é personalizada pelas companhias aéreas, não dando margem às empresas de turismo roubarem suas áreas de atuação.

Banco de Varejo[editar | editar código-fonte]

Os sistemas de recomendação possuem o potencial de apoiar o desenvolvimento de produtos financeiros, oferecidos por bancos de varejo ou não. O maior desafio desses produtos é o da privacidade dos indivíduos, pois eles estão menos suscetíveis a disponibilizarem informações pessoais.

No contexto da venda de seguros, sistemas de recomendação podem apoiar o agente na venda ao possibilitar a venda de seguros mais personalizados com avaliação mais precisa de riscos. Rahman et al implementaram um aplicativo baseado em web e em tempo real com um algoritmo de raciocínio baseado em casos, de forma a apoiar a decisão do agente no momento da venda. Porém, talvez seja na superação dos bancos de varejo o maior potencial dos sistemas de recomendação para o desenvolvimento de produtos financeiros.

O chamado peer-to-peer Lending (empréstimos coletivos) vêm se tornando populares. Esse sistema funciona em plataformas, sem a necessidade de intermédio de bancos. O pretendente do empréstimo faz uma solicitação na plataforma, colocando seus dados, condições de pagamento e demais informações, e outras pessoas disponibilizam o dinheiro. Quando o dinheiro disponibilizado atinge a meta solicitada, o empréstimo é efetuado. O desafio, nesse sentido, é o de conectar o tomador de empréstimos ao emprestador. Entre as soluções propostas na literatura incluem: a criação de redes sociais com integração de dados públicos e privados, a utilização de dados do próprio sistema P2P e a de filtragens colaborativas para encontrar o aparelhamento ideal. [19]

Dentro do contexto dos bancos de varejo, os sistemas de recomendações possuem múltiplas aplicações para diversos produtos financeiros diferentes. Para tanto, foram destacados dois: os empréstimos e os seguros. Primeiramente, é importante destacar que um dos principais desafios nessa área é a privacidade dos clientes, que são mais precavidos em disponibilizarem informações pessoais. A maior aplicabilidade dos sistemas de recomendação para empréstimos está nos microempréstimos, que possui avaliação de risco mais complicada

Órgão Público[editar | editar código-fonte]

A fim de solucionar problemas com a sobrecarga de informações dos serviços e-Government, os sistemas de recomendação fornecem soluções efetivas a esse problema ao recomendar informações e serviços de acordo com a necessidade daquele usuário.

Informações tecnológicas provindas da web oferecerem ao governo tais informações relevantes frente sua maior eficiência e efetividade quando comparadas às informações oferecidas pelos canais convencionais. Para tanto, o Government-to-Business (G2B) e-services almeja prover acesso à informação aos negócios locais, abrangendo desde a distribuição de informação, transações até interações com negócios via sites e portais do e-Government. Exemplos de portais G2B são: Australian Government’s Principal Business Resource e UK Department for Business, Innovation and Skills, em que ambos portais fornecem informações e serviços para ajudar os negócios a cumprirem de forma simplificada e convencional os requerimentos do governo. Contudo, dentro desses portais ainda há a preocupação nas pesquisas de palavras-chave.

Frente a ausência de eficiência e de precisão e a simplicidade no uso de palavras-chave, a Comissão Australiana - the Australian Trade Commission government agency (Austrade) - se esforça em prover aos usuários informações e recomendações pautadas em suas necessidades. Assim, o estudo explora a implementação de sistemas de recomendação no contexto de e-Government a fim de fornecer G2B e-service personalizados. É proposto um sistema de recomendação híbrido - Hybrid Semantic-enhanced Collaborative Filtering recommendation approach (HSeCF)- o qual combina a filtragem colaborativa e semântica.[20]

Ademais, ainda há sistemas em desenvolvimento que fornecem recomendações personalizadas de um certo candidato político. Voting advice applications (VAAs) é um sistema inteligente o qual possibilita recomendações acuradas a fim de facilitar o processo de tomada decisão do eleitor e, assim, aumentar a participação do cidadão na e-Democracy. Ao estabelecer a comunicação candidato-eleitor via forum channel, alternativa para os tradicionais VAAs, o sistema calcula os perfis políticos similares dos eleitores e dos candidatos, considerando a reputação do candidato baseada no comportamento dele no forum. Para teste do protótipo, foi designado a evolução de sua estrutura e conduzido o estudo de um usuário, o qual resultou na acurácia e na utilidade satisfatória de suas recomendações.[21]

Conclusão[editar | editar código-fonte]

O presente trabalho tinha por objetivo criar um resumo escrito acerca dos principais conceitos e aplicações relacionados aos sistemas de recomendação, bem como mostrar as tendências futuras e aplicações reais em tipos de negócios previamente estabelecidos. A partir disso, a equipe iniciou a discussão do conceito desses sistemas e os tipos de sistemas existentes. Após este estudo inicial, o grupo passou a analisar como se deu o surgimento dessa nova tecnologia e qual o problema que ela visava resolver.

Concluída a primeira etapa de pesquisa, a equipe passou a buscar as aplicações atuais de sistemas de recomendações e quais as suas tendências para o futuro. Nesse sentido, concluiu-se que as principais aplicações dessa tecnologia ocorre no e-commerce e em sites de relacionamento e que ela tem por objetivo recomendar aos usuários produtos baseado em suas escolhas anteriores e nas escolhas de pessoas com perfil semelhante. Os desafios dessa tecnologia, atualmente, se dão no sentido de incorporar informações de contexto no momento da recomendação. Usualmente, essas tecnologias levam em consideração a relação usuário-item, que nem sempre é suficiente para uma recomendação. O desenvolvimento dos sistemas de recomendação devem, então, seguir na direção para a resolução desse problema, com a incorporação de feedbacks indiretos, de emoções dos usuários e de uma maior personalização, característica básica dos sistemas de recomendações, porém sempre em evolução.

Com todas essas informações coletadas, foi possível para o grupo iniciar a terceira etapa do trabalho, com a pesquisa de aplicações em tipos de negócios previamente estabelecidos. No campo de restaurantes, a gigante I pretende lançar nos próximos meses um aplicativo que possibilite o pedido por voz e com essa tecnologia deseja obter informações dos usuários para oferecer produtos mais personalizados. O desenvolvimento dessa área provavelmente estará ligado também ao desenvolvimento da tecnologia de reconhecimento facial em restaurantes para reconhecer os clientes e fazer recomendações personalizadas baseada nos pedidos anteriores. Já no campo de empresas aéreas, o desafio é expandir a linha de atuação para se tornar mais competitivo. Não é mais suficiente somente oferecer o assento para o passageiro, mas também acompanhar toda a trajetória do passageiro no momento que ele decide fazer uma viagem, de forma a se antecipar às empresas de turismo. Já para um banco de varejo, os sistemas de recomendação podem ser uma ferramenta, mas também uma ameaça. Da mesma forma que a disponibilidade de informações possibilitam o oferecimento de seguros mais personalizados, ela também permite que as pessoas busquem soluções de empréstimos fora dos bancos, como no caso de peer-to-peer Lending (empréstimos coletivos). Por último, a equipe buscou formas de como o Estado poderia utilizar essa nova tecnologia e percebeu que sua aplicabilidade está ligada ao fornecimento de informações mais próximas dos desejos dos usuários. Dessa forma, é preciso desenvolver sistemas de recomendação para guiar melhor os cidadãos nos portais governamentais, com a resolução de dúvidas relacionadas umas às outras.

Ao fim do trabalho, a equipe pôde desenvolver conhecimentos relacionados a sistemas de recomendação, entender melhor algumas empresas que estão em contato diariamente, a importância desse tipo de tecnologia para as corporações e o poder que elas possuem diante de nós, cidadãos e consumidores. Profissionalmente, os membros do grupo iniciaram contato com uma tecnologia nova e com muito a se desenvolver. Pessoalmente, perceberam o funcionamento de algumas empresas e a razão de seu sucesso e, além disso tudo, a importância do trabalho em equipe, da divisão de tarefas, da organização e do comprometimento de todos os membros.

Referências Bibliográficas[editar | editar código-fonte]

  1. J. Lu, D. Wu, M. Mao et al., “Recommender system application developments: A survey,” Decision Support Systems, vol. 74, pp. 12-32, 2015.
  2. MELVILLE, Prem; SINDHWANI, Vikas. Recommender Systems. 2005. Disponível em: <http://vikas.sindhwani.org/recommender.pdf>. Acesso em: 18 jun. 2017.
  3. HUTTNER, Joseph. From Tapestry to SVD: A Survey of the Algorithms That Power Recommender Systems. 2009. Disponível em: <https://scholarship.tricolib.brynmawr.edu/bitstream/handle/10066/3706/2009HuttnerJ.pdf?sequence=1&isAllowed=y>. Acesso em: 18 jun. 2017.
  4. ADOMAVICIUS, Gediminas; TUZHILIN, Alexander. Towards the Next Generation of Recommender Systems: A Survey of the State-of-the-Art and Possible Extensions. 2005. Disponível em: <http://homepages.dcc.ufmg.br/~nivio/cursos/ri13/sources/recommender-systems-survey-2005.pdf>. Acesso em: 10 jun. 2017.
  5. http://delivery.acm.org/10.1145/350000/345136/p35-manber.pdf?ip=164.41.4.26&id=345136&acc=ACTIVE%20SERVICE&key=344E943C9DC262BB%2E0F5B8E3859CA5567%2E4D4702B0C3E38B35%2E4D4702B0C3E38B35&CFID=944466499&CFTOKEN=59725127&__acm__=1496610546_db074915017d931763454e741f1014df
  6. KUMAR, Vijaya; REDDY, Raghunatha. A Survey on Recommender Systems (RSS) and Its Applications. 2017. Disponível em: <https://www.rroij.com/open-access/a-survey-on-recommender-systems-rss-andits-applications-.php?aid=46707>. Acesso em: 18 jun. 2017.
  7. AMATRIAIN, Xavier; BASILICO, Justin. Past, Present, and Future of Recommender Systems: An Industry Perspective. 2016. Disponível em: <http://dl.acm.org/citation.cfm?id=2959144>. Acesso em: 18 jun. 2017.
  8. VALDEZ, André Calero; ZIEFLE, Martina; VERBERT, Katrien. HCI for Recommender Systems: the Past, the Present and the Future. 2016. Disponível em: <http://dl.acm.org/citation.cfm?id=2959158>. Acesso em: 18 jun. 2017.
  9. WIGGERS, Kyle. ALEXA, MY AMERICANO! STARBUCKS UNVEILS CHATBOT FOR IOS, AMAZON DEVICES. 2017. Disponível em: <https://www.digitaltrends.com/mobile/starbucks-my-barista-app/#ixzz4ZG3fLCR3 RAJDEV, Naveen. Rethinking Chatbots: They're Not Just for Customers. 2017. Disponível em: <https://www.entrepreneur.com/article/295157>. Acesso em: 18 jun. 2017.
  10. RAJDEV, Naveen. Rethinking Chatbots: They're Not Just for Customers. 2017. Disponível em: <https://www.entrepreneur.com/article/295157>. Acesso em: 18 jun. 2017.
  11. ORACLE HOSPITALITY. RESTAURANT 2025: emerging technologies destined to reshape our business. 2017. Disponível em: <https://www.oracle.com/webfolder/s/delivery_production/docs/FY16h1/doc36/Restaurant-2025-Oracle-Hospitality.pdf>. Acesso em: 16 jun. 2017.
  12. RICCI, Francesco et al. Recommender Systems handbook. 2011. Disponível em: <https://books.google.com.br/books?id=2hFG21Cp2qcC&pg=PA524&lpg=PA524&dq=recommender+system+used+by+airline+companies&source=bl&ots=AHA7R9kztX&sig=6zm1kgAn9Km706Mihu8cZt44xXE&hl=pt-BR&sa=X&ved=0ahUKEwiNvMu7k8XUAhWDOyYKHboWCYsQ6AEIUzAG#v=onepage&q=recommender system used by airline companies&f=false>. Acesso em: 18 jun. 2017.
  13. SPIEWAK, Steve. The evolution of airline revenue management: Defining the next generation approach. 2017. Disponível em: <https://www.sabre.com/insights/the-evolution-of-airline-revenue-management-defining-the-next-generation-approach/>. Acesso em: 12 jun. 2017.
  14. http://likewhere.com/post/how-airlines-can-resist-google
  15. NAGASWAMY, Venkat. A.I.mpact, Part 2: How A.I. Will Affect Marketing In 2017 & Beyond. 2016. Disponível em: <https://www.marianaiq.com/a-i-mpact-part-2-how-a-i-will-affect-marketing-in-2017-beyond/>. Acesso em: 12 jun. 2017.
  16. RABANSER, Ulrich; RICCI, Francesco. Recommender Systems: Do They Have a Viable Business Model in e-Tourism?. 2005. Disponível em: <https://www.researchgate.net/publication/221357535_Recommender_Systems_Do_They_Have_a_Viable_Business_Model_in_e-Tourism>. Acesso em: 10 jun. 2017.
  17. TAMTURK, Venus. The ROI of Recommendation Engines. 2017. Disponível em: <http://www.cms-connected.com/News-Archive/January-2017/The-ROI-of-Recommendation-Engines>. Acesso em: 16 jun. 2017.
  18. KRETSCHMER, Markus. ISO Dynamic Recommendation System (DRS) with Travel API. 2017. Disponível em: <http://www.isogmbh.com/services/travelsoftware/tour-operator/dynamic-recommendation-system.html>. Acesso em: 16 jun. 2017.
  19. ZIBRICZKY, David. Recommender Systems meet Finance: A literature review. 2016. Disponível em: <http://ceur-ws.org/Vol-1606/paper02.pdf>. Acesso em: 16 jun. 2017.
  20. Shambour Q., Lu J. (2011) Government-to-Business Personalized e-Services Using Semantic-Enhanced Recommender System. In: Andersen K.N., Francesconi E., Grönlund Å., van Engers T.M. (eds) Electronic Government and the Information Systems Perspective. EGOVIS 2011. Lecture Notes in Computer Science, vol 6866. Springer, Berlin, Heidelberg
  21. Kaskina A., Radovanovic N. (2016) How to Build Trust-Aware Voting Advice Applications?. In: Kő A., Francesconi E. (eds) Electronic Government and the Information Systems Perspective. EGOVIS 2016. Lecture Notes in Computer Science, vol 9831. Springer, Cham